Ubuntu中HDFS数据如何存储

Ubuntu 中 HDFS 数据存储机制与配置

一、整体架构与数据流转

• NameNode：管理文件系统元数据（目录树、文件名、权限、每个块的副本位置等），不存实际文件内容。
• DataNode：在本地磁盘保存实际的数据块（Block），并周期性向 NameNode 汇报块信息。
• 写入流程：客户端向 NameNode 申请写入；NameNode 分配目标 DataNode 与块；客户端直连 DataNode 写入数据块；DataNode 间按副本策略进行管道复制；完成后更新元数据。
• 读取流程：客户端向 NameNode 获取文件块位置；就近从 DataNode 读取；支持短路读与数据本地化优化。
• 适用场景：一次写入、多次读取的高吞吐批处理，适合GB/TB/PB级大文件；不适合低延迟随机访问。

二、存储单元与副本机制

• 块大小（dfs.blocksize）：默认 128MB（Hadoop 3.x），可按业务调整（如 64MB 更利于小文件，更大块可减少 NameNode 元数据与连接开销）。
• 副本因子（dfs.replication）：默认 3，用于容错与可用性；在仅有 1 个 DataNode 的测试环境可设为 1。
• 容错与恢复：副本跨节点分布；节点或磁盘故障时，NameNode 调度重新复制缺失副本；可通过 hdfs fsck 检查文件与块健康。

三、本地磁盘目录与配置

• 关键目录由以下参数决定（位于 $HADOOP_HOME/etc/hadoop/hdfs-site.xml）：
  • dfs.namenode.name.dir：NameNode 元数据存储目录（如 file:///data/hadoop/namenode）。
  • dfs.datanode.data.dir：DataNode 数据块存储目录（如 file:///data/hadoop/datanode）。
  • 可配置多个目录（逗号分隔）以利用多磁盘；目录不存在将自动创建（权限允许时）。
• 示例（伪分布式/单节点）配置片段：

  <
      configuration>
      
    <
      property>
      
      <
      name>
      dfs.replication<
      /name>
      
      <
      value>
      1<
      /value>
      
    <
      /property>
      
    <
      property>
      
      <
      name>
      dfs.namenode.name.dir<
      /name>
      
      <
      value>
      file:///data/hadoop/namenode<
      /value>
      
    <
      /property>
      
    <
      property>
      
      <
      name>
      dfs.datanode.data.dir<
      /name>
      
      <
      value>
      file:///data/hadoop/datanode<
      /value>
      
    <
      /property>
      
  <
      /configuration>
      
  

• 修改路径后需格式化并重启：

  $HADOOP_HOME/bin/hdfs namenode -format
  $HADOOP_HOME/sbin/start-dfs.sh
  

• 注意：fs.defaultFS（如 hdfs://localhost:9000）是访问地址，不是数据目录；数据目录由上述两个参数决定。

四、常用操作与验证

• 基本操作：

  hdfs dfs -mkdir -p /user/input
  hdfs dfs -put localfile.txt /user/input/
  hdfs dfs -ls /user/input
  hdfs dfs -cat /user/input/localfile.txt
  hdfs dfs -get /user/input/localfile.txt ./
  hdfs dfs -rm -r /user/output
  

• 副本与块检查：

  hdfs dfs -setrep 3 /user/input/*
  hdfs fsck /user/input/localfile.txt -files -blocks
  hdfs dfsadmin -report
  

• 进程与 Web 管理：

  jps                              # 应见 NameNode、DataNode、SecondaryNameNode
  # Web UI：NameNode http://<
      namenode-host>
      :9870
  # Web UI：DataNode http://<
      datanode-host>
      :9864
  

• 常见排错：目录权限/磁盘空间不足、未格式化 NameNode、DataNode 未注册、副本数大于可用节点数。

五、性能与容量优化建议

• 块大小：大文件可适当增大（如 256MB/512MB）以减少元数据与寻道；小文件场景可减小（如 64MB）降低小文件开销。
• 副本因子：生产建议 3；容量紧张或测试可降为 2/1。
• 存储策略与多盘：为 dfs.datanode.data.dir 配置多磁盘目录（可标记 [SSD]/[DISK] 使用存储策略），提升吞吐与容量。
• 内存与线程：结合负载调整 NameNode/DataNode 堆内存 与 handler 线程数，减少 GC 与请求排队。
• 压缩与归档：对文本/日志使用 Snappy/LZO 压缩；冷数据可归档为 HAR 降低 NameNode 压力。
• 网络：保证节点间高带宽/低丢包；必要时使用专用网络与 TCP 参数优化。
• 小文件治理：合并/序列化成 SequenceFile/Parquet，或使用 CombineFileInputFormat 降低 Map 数量。

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！